基于监督式学习模型的航班延误分析与预测

发布时间：2024-01-31 21:14

　　随着民航业的快速发展,航班延误逐渐成为一个热点话题。航班延误成因较难解释,因为其可能受制于多重因素,例如天气原因,出发地或者目的地机场管理原因,航空公司管理原因,航空管制原因,前序航班原因,旅客原因等等,甚至多重原因叠加或多种原因形成连锁效应。对于机场而言,尤其是规模较大的机场,航班延误将导致非常有限的航路、跑道、机场设施等资源分配计划被打乱,也可能导致旅客滞留,从而显著增加机场的安全、运营和调度压力,造成航空公司或旅客满意度下降。对航空公司而言,其营业利润严重依赖于每架飞机严格按照计划时刻表运营,每次航班延误将导致运营、维护和人力成本的增加,并可能导致后序的运营计划全部被打乱,后序航班持续延误或被迫取消,各种成本进一步上升。对旅客而言,航班延误为出行途中最不愿意碰到的情况,时间、精力因此而损耗,后序行程也因此受到影响。对于保险公司而言,航班延误的研究与预测也对其旅行保险、航班延误保险等险种的定价与经营有重要的意义。本文对于航班延误的分析与预测将有助于改进上述问题,帮助上述各方做更好的预判,实现各方收益的优化。本文采用了机器学习中的有监督式学习的几种主流方法,对于全美2015年航班延误...

【文章页数】：36 页

【学位级别】：硕士

【文章目录】：
摘要
1 介绍
    1.1 背景描述
    1.2 研究目的
    1.3 论文结构
    1.4 研究工具
2 统计学习理论模型
    2.1 k-NN
    2.2 C4.5
    2.3 Random Forest
    2.4 SVM
3 数据
    3.1 数据描述
        3.1.1 航班延误数据
        3.1.2 天气数据
    3.2 数据清理
        3.2.1 数据结构
        3.2.2 空值处理
    3.3 数据加工
        3.3.1 增加公众节假日字段
        3.3.2 简化计划起飞和到达时间段
4 探索性分析
    4.1 航空公司与延误
    4.2 月份与延误
    4.3 星期与延误
    4.4 航班时间与延误
    4.5 节假日与延误
5 归类分析
    5.1 数据
    5.2 C4.5模型与预测结果
    5.3 随机森林模型与预测结果
    5.4 SVM模型及其预测结果
    5.5 k-NN模型及其预测结果
6 决策树和归类分析优化
    6.1 决策树和归类分析评价
    6.2 引入新变量
    6.3 评价基准
    6.4 优化后的分析结果
        6.4.1 C4.5
        6.4.2 Random Forest
        6.4.3 SVM
        6.4.4 k-NN
7 回归分析
    7.1 线性回归
    7.2 随机梯度下降回归(Stochastic Gradient Descent Regressor)
8 结论与不足
参考资料



本文编号：3891561